论文部分内容阅读
矿井涌水量的预测是每个矿区生产建设必须要面对和回答的问题,是矿井建设和安全生产的基础性工作。神经网络和时间序列模型是两种重要的矿井涌水量预测模型,但在实际应用中仍存在一定的局限性。为了提高模型的适用性和预测精度,本文构造了一个包含长期趋势和周期项的理想时间序列函数,分别用BP神经网络和时间序列模型对其函数值进行拟合和预测,预测的相对误差分别为5.82%和3.40%。通过分析两种预测模型的优点和不足,提出了建立时间序列和BP神经网络耦合模型来提高模型适用性和预测精度的方法。分析了耦合模型的组合方法并建立了时间序列和BP神经网络串联的耦合模型。通过时间序列乘法分解模型对涌水量时间序列中的长期趋势、周期项、季节变动和不规则变动项进行分解和提取,采用趋势外推法拟合并预测长期趋势,采用季节平均法计算季节变动值,采用BP神经网络预测不规则变动项。当周期项较明显时采用傅里叶级数逼近进行拟合预测,周期特征不明显时采用BP神经网络进行预测。根据相应预测方法的实现原理,以及函数和参数的选择原则,设计了基于MATLAB的耦合模型的主要程序。通过计算得出,耦合模型对构造函数的预测相对误差为2.13%,提高了预测的精度。最后运用建立的耦合模型对洛阳龙门矿的涌水量进行预测,预测结果显示,耦合模型预测的相对误差为1.4818%,与BP神经网络的预测相对误差5.2176%相比,耦合模型预测结果的精度有了较大程度的提高。研究表明本文建立的时间序列和BP神经网络耦合预测模型有较好的适用性和有效性,可以作为预测矿井涌水量的新方法。